McKinsey zbadał 50 konstrukcji agentów AI i zidentyfikował, gdzie najczęściej zawodzą, redukując to do 6 kluczowych czynników — niezbędnych dla inżynierów AI: 1. Nie chodzi o agenta, chodzi o przepływ pracy. nie obsesjonuj się budowaniem "imponujących" agentów. myśl o całym systemie, a nie o zabawkach. 2. Agenci nie zawsze są odpowiedzią. Nie każdy przepływ pracy wymaga systemu wieloagentowego. Zadania o niskiej zmienności i przewidywalne najlepiej obsługiwać za pomocą reguł lub ML, LLM wprowadzają złożoność. Duże korzyści dla agentów pojawiają się w procesach o wysokiej zmienności i chaotycznych (np. wydobywanie złożonych informacji finansowych). 3. Unikaj "AI Slop". (powszechne) Skup się na długoterminowym rozwoju agentów, tak jak z rozwojem pracownika. Zapomnij o imponujących pokazach. Skup się na benchmarkach. Agentom należy nadać jasne opisy stanowisk, wprowadzić ich do pracy i zapewnić feedback, aby regularnie się poprawiali. 4. Śledź każdy krok, nie tylko wyniki. Skalowanie agentów bez widoczności to prośba o ciche awarie. Pomyśl o monitorowaniu każdego etapu przepływu pracy. W ten sposób zespoły wcześnie wykrywają błędy, szybko udoskonalają logikę i unikają całkowitych awarii. Kiedy zdarzają się błędy (a zdarzą się), możesz śledzić, gdzie poszło coś nie tak i dlaczego. Nie pomijaj tego. 5. Wykorzystuj agentów ponownie, kiedy możesz. Wiele firm marnuje czas na budowanie jednorazowych agentów do każdego zadania. Mądrzejszym rozwiązaniem jest tworzenie modułowych komponentów agentów (przyjmowanie, wydobywanie, weryfikacja, analiza), które można wykorzystać w innych przepływach pracy. Centralizacja zweryfikowanych narzędzi i podpowiedzi zmniejsza o 30–50% zbędną pracę, ta liczba nie jest żartem. 6. Ludzie pozostają niezbędni, ale w nowych rolach. Agenci mogą analizować, automatyzować i skalować. Ale ludzie zapewniają osąd, obsługę przypadków brzegowych i kreatywne rozwiązywanie problemów. Przyszłość to nie agent kontra człowiek, ale agent + człowiek. To są błędy, które popełniają startupy i ustalone firmy na dużą skalę. Powodują ogromne szkody dla reputacji i zasobów. A teraz wiesz, jak ich unikać.

Wszyscy w badaniach tracą zmysły z powodu nowego artykułu DeepSeek w Nature. To nie jest troll, naprawdę opublikowali nowy artykuł.

dlaczego nie wstępnie trenujemy modele do zadań agentowych? cóż, ci goście to zrobili. i to zadziałało. wprowadzili krok pośredni po wstępnym treningu i przed treningiem końcowym. zsyntetyzowali dane dotyczące działań agentów, a ich model AgentFounder-30B ustanawia nowy SOTA w 10 benchmarkach. SFT ma również znacznie mniejszą stratę po tym kroku wstępnego treningu agentowego. dlaczego to działa? ponieważ modele podstawowe ogólnego przeznaczenia zazwyczaj nie mają agentowego indukcyjnego biasu, co obciąża trening końcowy. gdy wprowadzasz wieloetapowe rozumowanie i użycie narzędzi na etapie wstępnego treningu, ułatwiasz drogę do treningu końcowego, zwłaszcza gdy robisz to z mieszanką krótkoterminowych i długoterminowych zadań agentowych. co to oznacza, jeśli prowadzisz swoją firmę na agentach lub budujesz je na jakąkolwiek skalę? możesz syntetyzować dane po niskich kosztach, dalej wstępnie trenować model podstawowy, a następnie go trenować końcowo.